在 Lightning AI 上自定义训练 Ultralytics YOLO 模型

无论您是经验丰富的 AI 开发人员，还是刚开始探索视觉 AI，拥有一个可靠的环境来尝试和实验像 Ultralytics YOLO11 这样的计算机视觉模型至关重要。环境指的是高效设计、测试和部署 AI 模型所需的工具、资源和基础设施。 

虽然有几个在线平台提供不同的 AI 工具，但许多平台没有为整个 AI 生命周期（从数据准备到模型部署）提供统一的环境。而 Lightning AI 是一个用于 AI 开发的一体化平台，可以简化从数据准备到部署的整个过程。

Ultralytics 举办的年度混合活动 YOLO Vision 2024 (YV24) 展示了简化 AI 开发的相关性，该活动侧重于 AI 和计算机视觉的进步。Lightning AI 的 CTO Luca Antiga 发表了题为“在 Lightning Studios 上使用 YOLO”的主题演讲，他在演讲中剖析了如何使用 Lightning AI 快速、顺利地训练 Ultralytics YOLO 模型，而无需参与技术复杂性。

在本文中，我们将深入探讨 Luca 演讲的主要内容，涵盖从真实世界的计算机视觉应用到使用 Lightning AI 训练和部署 Ultralytics YOLO 模型的实时演示的所有内容。让我们开始吧！

使用 Lightning AI 和 Ultralytics YOLO 简化 AI 开发

Luca 在主题演讲开始时，分享了他对 YOLO 模型在各个行业中所产生的影响的看法和赞赏。他强调了 YOLO 模型如何在制造业和农业等领域中得到应用。他说：‘我非常赞赏 YOLO 对构建者社区的影响——那些需要解决实际问题的人——这与我息息相关。’

考虑到人们对AI训练日益增长的兴趣，他介绍了Lightning AI，这是一个旨在使AI模型开发更快、更简单、更易于所有人使用的平台。它对于支持AI的迭代改进尤其有用，可以帮助开发人员改进和完善模型。

​

他还指出，Lightning AI 类似于 PyTorch Lightning，PyTorch Lightning 是一个简化 训练 AI 模型 过程的框架。然而，不同之处在于，Lightning AI 是一个更全面的平台，为整个 AI 开发过程提供更广泛的工具和功能，而不仅仅是训练 AI 模型。 

Lightning AI 的一个重要组成部分是 Lightning Studios，它提供了一个直观的工作区来设计、训练和部署 AI 模型，从而使整个工作流程无缝且高效。您可以将 Lightning Studios 视为在云上运行的 AI 的可重现开发环境。例如，它提供了一个类似于 Jupyter Notebook 的环境，可以复制并与其他开发人员共享，从而有助于改善协作。 

然后，Luca 详细阐述了 Lightning Studios 的优势，他说：‘复制您的环境不再是问题。如果您需要从 CPU [中央处理器] 机器更改为 GPU [图形处理器] 机器，或者在数千台机器上启动训练，您的环境将保持不变。’

设置 Lightning Studios 进行训练和开发

接下来，Luca 演示了如何快速开始使用 Lightning Studios。只需点击几下，您就可以打开一个新的工作室，并可以使用 Jupyter Notebooks 和 VS Code 等工具和环境，所有这些都已设置好并准备好进行编码。他展示了在不同机器之间切换是多么容易。如果您正在处理的任务需要更多算力，您可以轻松地从 CPU 切换到更强大的 GPU。GPU 将仅在使用时保持活动状态；否则，它将进入睡眠模式，从而节省您的积分。

Luca 还提到了使用 Studio 模板的好处。它们是由社区预先构建的 AI 编码环境，您可以直接使用，无需进行任何设置。为 AI 项目设置环境可能非常耗时，而 Studio 模板可以帮助提高效率。这些环境预先加载了 AI 项目所需的一切，例如已安装的依赖项、模型权重、数据、代码等。

​

在 Lightning Studios 上训练 Ultralytics YOLO 模型

然后，Luca 继续进行了现场演示，重点介绍了如何使用 Lightning Studio 训练 Ultralytics YOLO 模型。他打开了一个 Studio 模板，该模板已经安装了所有依赖项，并启动了一台具有四个 GPU 的机器，以加快训练过程。关于数据，他说您可以选择将数据直接存储在机器上，或者从云端流式传输数据，从而使训练过程更快、更高效。

几秒钟之内，机器就准备就绪，Luca 迅速启动了训练会话。在演示过程中，一个小问题导致机器意外停止，但 Lightning Studios 无缝地从中断处恢复，确保没有丢失任何进度。Luca 指出，即使面对意外中断，这种可靠性也能支持流畅的工作流程。

在演示中，他展示了使用 TensorBoard 监控训练进度是多么容易，TensorBoard 是一种用于实时可视化机器学习指标的工具。Lightning Studio 通过自动生成 URL 使此过程更加简单，通过这些 URL，您或同一工作区中的团队成员无需任何额外设置即可访问 TensorBoard 视图。这简化了协作，并使每个人都保持在同一页面上。 

​

使用 Lit Serve 部署 Ultralytics YOLO 模型

在演示之后，Luca将谈话的重点转移到一个由Lightning AI最近推出的新项目LitServe。LitServe简化了将训练好的模型转化为可扩展服务的流程，其他人可以使用该服务，而无需复杂的部署流程。它旨在处理从打包模型到部署模型的全部过程，并且只需最少的精力。

为了实时展示这一点，Luca 向观众快速演示了如何使用预训练的 Ultralytics YOLOv8 模型。他能够创建一个简单的 API 来处理传入的请求，并在几秒钟内返回图像预测结果。这意味着任何人都可以使用图像 ping 此 API，并几乎立即收到 计算机视觉任务（如目标检测）的结果。在后台，Ultralytics YOLOv8 模型以服务的形式部署，高效地处理请求、处理图像并以最小的延迟交付预测结果。

​

他对一张披萨图片进行了推理，Ultralytics YOLOv8 成功识别了披萨、勺子和餐桌等物体。他解释说，由于“冷启动”，第一次请求需要稍长的时间，但一旦系统预热，后续请求就会快得多。

然后 Luca 问道：‘如果我想将它暴露给外部世界该怎么办？’他概述了 API Builder 插件如何使将您的模型转化为可实时投入生产的服务变得简单。借助自定义域名、增强的安全性以及无缝集成等功能，您可以轻松地使您的模型可供任何人访问。

使用 Lightning Studios 的主要优势

Luca 在演讲结束时谈到了 Lightning Studio 在人工智能开发中的可扩展性和灵活性。他提到该平台如何跨多台机器训练模型，扩展到 10,000 个节点，并具有容错训练功能，可在任何中断后自动恢复。 

例如，如果GPU集群上的训练作业由于硬件问题或服务器重启而中断，Lightning Studios会确保该过程从中断的地方精确地恢复。这使其成为大规模AI项目的理想选择，例如在ImageNet或COCO等海量数据集上训练深度学习模型。

以下是 Luca 提到的 Lightning Studios 的其他一些主要优势：

• 每月免费 GPU 积分：用户每月可获得 15 个免费 GPU 积分，这些积分会自动补充，确保您可以进行实验和开发而无需额外成本。
  ‍
• 增强的协作： Lightning Studio的共享团队空间和可重现的环境使团队成员能够无缝协作，确保整个项目的一致性和效率。
  ‍
• 灵活的实例选项：它使您可以灵活地选择可中断实例和不可中断实例，从而允许用户通过可中断选项节省 GPU 机器的成本。
  ‍
• 与现有工具集成：该平台与 SSH（安全 Shell）和 VS Code 等远程开发工具集成，从而可以灵活地在本地或云端工作。

主要要点

Luca 在 YV24 上的主题演讲强调了 AI 与 Ultralytics YOLO 模型和 Lightning AI 等工具相结合，如何改变我们解决现实世界问题的方式。它们使开发人员可以更轻松地训练和部署旨在解决各个行业中特定问题的模型。

他阐述了 Lightning Studios 如何使整个开发过程更快、更易于访问，从而使开发人员可以轻松创建强大的解决方案。在 Lightning AI 等尖端平台的核心，计算机视觉模型正在改变 AI 解决方案处理挑战的方式。特别是，借助最新的 Ultralytics YOLO11 模型，开发人员可以构建产生有意义影响的解决方案。

加入我们的社区，以随时了解人工智能及其在实践中的应用。查看我们的GitHub仓库，以探索人工智能在自动驾驶汽车和计算机视觉在医疗保健领域等领域的创新。